OpenAI记录前沿模型训练的加固遏制方法

10月23日，OpenAI发布了《保护我们的前沿模型训练环境》，描述了内部训练/评估的强化遏制方法：离线环境、跨基础设施的纵深防御隔离，以及使用其最强模型对这些边界（包括VM逃逸、新型网络可达路径和跨沙箱通信）进行红队测试的新机制。

这是一份一手技术披露，说明前沿实验室如何在训练期间遏制能力强大且可能不对齐的模型——这正是7月Hugging Face事件背后的失败模式。它为防御者和模型所有者提供了具体的遏制和红队测试参考，并确认基于AI代理的遏制红队测试现已成为标准实践。

运行自托管/微调模型并具备代理代码执行能力的企业和AI实验室，应将其沙箱控制与这一遏制模型进行基准比较。